KR102522683B1 - Battery diagnosis method and apparatus - Google Patents

Battery diagnosis method and apparatus Download PDF

Info

Publication number
KR102522683B1
KR102522683B1 KR1020220102180A KR20220102180A KR102522683B1 KR 102522683 B1 KR102522683 B1 KR 102522683B1 KR 1020220102180 A KR1020220102180 A KR 1020220102180A KR 20220102180 A KR20220102180 A KR 20220102180A KR 102522683 B1 KR102522683 B1 KR 102522683B1
Authority
KR
South Korea
Prior art keywords
battery
model
impedance
equivalent circuit
frequency
Prior art date
Application number
KR1020220102180A
Other languages
Korean (ko)
Inventor
김유성
Original Assignee
모나 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 모나 주식회사 filed Critical 모나 주식회사
Priority to KR1020220102180A priority Critical patent/KR102522683B1/en
Application granted granted Critical
Publication of KR102522683B1 publication Critical patent/KR102522683B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits

Abstract

A battery diagnosis method and an apparatus thereof are disclosed. The battery diagnosis apparatus trains a first model using learning data in which at least one frequency band and a characteristic impedance component of the learning battery mapped to each of the frequency band is labeled as the basic equivalent circuit of a learning battery, and inputs a target impedance component to the first model to generate a predicted equivalent circuit of a target battery to be used for battery diagnosis when the target impedance component measured by applying the at least one frequency band to the target battery is received as an input.

Description

배터리진단방법 및 그 장치{Battery diagnosis method and apparatus}Battery diagnosis method and apparatus {Battery diagnosis method and apparatus}

본 발명의 실시 예는 배터리진단방법 및 그 장치에 관한 것으로, 보다 상세하게는 일부 주파수 대역에서 측정한 배터리 임피던스정보로 배터리의 상태를 진단할 수 있는 방법 및 그 장치에 관한 것이다.Embodiments of the present invention relate to a method and device for diagnosing a battery, and more particularly, to a method and device for diagnosing a state of a battery using battery impedance information measured in some frequency bands.

전기자동차, 에너지저장시스템(ESS, energy storage system) 등 다양한 분야에서 배터리가 활용되고 있다. 충전하여 사용이 가능한 배터리(예를 들어, 2차 전지)는 사용기간이나 사용환경 등 다양한 요인에 의해 열화가 발생한다. 일정 이상의 열화가 발생한 배터리는 교체가 필요하다. 배터리 교체를 위해서는 정확한 배터리 상태의 파악이 필요하다. 배터리의 상태를 파악하는 방법으로 일정 구간의 주파수를 순차적으로 배터리에 인가하여 임피던스를 측정하는 방법이 있다. 예를 들어, 종래의 전기화학적 임피던스 분광법(EIS, Electrochemical Impedance Spectroscopy)은 저주파부터 고주파까지의 주파수를 일정 간격으로 배터리에 모두 인가하여 주파수별 임피던스를 측정하므로 배터리 임피던스 측정에 많은 시간이 소요되는 단점이 존재한다. BACKGROUND OF THE INVENTION Batteries are being used in various fields such as electric vehicles and energy storage systems (ESSs). A battery (eg, a secondary battery) that can be charged and used may deteriorate due to various factors such as a period of use or a use environment. Batteries that have deteriorated beyond a certain level need to be replaced. In order to replace the battery, it is necessary to accurately determine the battery condition. As a method of determining the state of the battery, there is a method of measuring impedance by sequentially applying a frequency of a certain section to the battery. For example, conventional electrochemical impedance spectroscopy (EIS) applies all frequencies from low to high frequencies to a battery at regular intervals to measure impedance for each frequency, so the battery impedance measurement takes a lot of time. exist.

본 발명의 실시 예가 이루고자 하는 기술적 과제는, 일부 주파수 대역에서 측정한 임피던스정보로 배터리의 상태를 진단할 수 있는 방법 및 그 장치를 제공하는 데 있다. A technical problem to be achieved by embodiments of the present invention is to provide a method and apparatus capable of diagnosing a state of a battery using impedance information measured in some frequency bands.

상기의 기술적 과제를 달성하기 위한, 본 발명의 실시 예에 따른 배터리진단방법의 일 예는, 적어도 하나 이상의 주파수 대역과 각 주파수 대역에 맵핑되는 학습배터리의 특징임피던스성분을 상기 학습배터리의 기본등가회로로 라벨링한 학습데이터를 이용하여 제1 모델을 훈련시키는 단계; 상기 적어도 하나 이상의 주파수 대역을 타겟배터리에 인가하여 측정한 타겟임피던스성분을 입력받는 단계; 및 상기 타겟임피던스성분을 상기 제1 모델에 입력하여 배터리 진단에 사용할 상기 타겟배터리의 예측등가회로를 생성하는 단계;를 포함한다.An example of a battery diagnosis method according to an embodiment of the present invention for achieving the above technical problem is a basic equivalent circuit of at least one frequency band and a characteristic impedance component of a learning battery mapped to each frequency band. training a first model using the learning data labeled as; receiving a target impedance component measured by applying the at least one frequency band to a target battery; and generating a predicted equivalent circuit of the target battery to be used for battery diagnosis by inputting the target impedance component into the first model.

상기의 기술적 과제를 달성하기 위한, 본 발명의 실시 예에 따른 배터리진단장치의 일 예는, 적어도 하나 이상의 주파수 대역과 각 주파수 대역의 배터리 임피던스성분을 입력받으면 예측등가회로를 출력하는 제1 모델; 상기 적어도 하나 이상의 주파수 대역을 타겟배터리에 인가하여 측정한 타겟임피던스성분을 입력받는 입력부; 및 상기 타겟임피던스성분을 상기 제1 모델에 입력하여 배터리 진단에 사용할 상기 타겟배터리의 예측등가회로를 생성하는 등가회로생성부;를 포함한다.An example of a battery diagnosis apparatus according to an embodiment of the present invention for achieving the above technical problem is a first model that outputs a prediction equivalent circuit when at least one frequency band and a battery impedance component of each frequency band are input; an input unit for receiving a target impedance component measured by applying the at least one frequency band to a target battery; and an equivalent circuit generation unit inputting the target impedance component into the first model and generating a prediction equivalent circuit of the target battery to be used for battery diagnosis.

본 발명의 실시 예에 따르면, 일정 주파수 대역에서 측정한 임피던스정보로 배터리의 상태를 진단할 수 있으므로 배터리 검사 시간을 단축할 수 있다. According to an embodiment of the present invention, the state of the battery can be diagnosed using impedance information measured in a certain frequency band, so the battery inspection time can be reduced.

도 1은 본 발명의 실시 예에 따른 배터리진단장치의 일 예를 도시한 도면,
도 2는 본 발명의 실시 예에 따른 배터리진단의 전반적인 과정을 도시한 도면,
도 3은 본 발명의 실시 예에 따른 배터리진단장치에서 사용하는 주파수 대역의 일 예를 도시한 도면,
도 4는 본 발명의 실시 예에 따른 배터리진단에 사용되는 주파수 대역을 정의하는 방법의 일 예를 도시한 도면,
도 5는 본 발명의 실시 예에 따른 배터리 등가회로의 일 예를 도시한 도면,
도 6은 본 발명의 실시 예에 따른 배터리진단에 사용되는 모델의 학습방법의 일 예를 도시한 도면,
도 7은 본 발명의 실시 예에 따른 배터리진단방법의 일 예를 도시한 흐름도, 그리고,
도 8은 본 발명의 실시 예에 따른 배터리진단장치의 일 예의 구성을 도시한 도면이다.1 is a diagram showing an example of a battery diagnostic device according to an embodiment of the present invention;
2 is a diagram showing the overall process of battery diagnosis according to an embodiment of the present invention;
3 is a diagram showing an example of a frequency band used in a battery diagnostic device according to an embodiment of the present invention;
4 is a diagram showing an example of a method for defining a frequency band used for battery diagnosis according to an embodiment of the present invention;
5 is a diagram showing an example of a battery equivalent circuit according to an embodiment of the present invention;
6 is a diagram showing an example of a method of learning a model used for battery diagnosis according to an embodiment of the present invention;
7 is a flowchart illustrating an example of a battery diagnosis method according to an embodiment of the present invention, and
8 is a diagram illustrating an example configuration of a battery diagnosis device according to an embodiment of the present invention.

이하에서, 첨부된 도면들을 참조하여 본 발명의 실시 예에 따른 배터리진단방법 및 그 장치에 대해 상세히 살펴본다.Hereinafter, a battery diagnosis method and device according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 실시 예에 따른 배터리진단장치의 일 예를 도시한 도면이다.1 is a diagram illustrating an example of a battery diagnosis apparatus according to an embodiment of the present invention.

도 1을 참조하면, 배터리진단장치(100)는 기 정의된 주파수 대역(112)의 주파수를 배터리에 인가하여 측정한 배터리 임피던스정보(110)를 입력받으면 배터리의 등가회로(120) 또는 배터리의 상태정보(122)를 출력한다. 이하에서는 상태진단의 대상이 되는 배터리를 '타겟배터리'라고 명명한다. Referring to FIG. 1 , the battery diagnosis apparatus 100 receives battery impedance information 110 measured by applying a frequency of a predefined frequency band 112 to the battery to determine the equivalent circuit 120 of the battery or the state of the battery. Information 122 is output. Hereinafter, a battery subject to state diagnosis will be referred to as a 'target battery'.

배터리진단장치(100)는 종래의 EIS에서 사용하는 전체 주파수 구간이 아닌 일부의 주파수 대역을 타겟배터리에 인가하여 측정한 임피던스 정보(110)를 입력받는다. 예를 들어, 도 3과 같이 EIS에서 사용하는 전체 주파수 구간에서 일정 대역의 주파수(300)만을 타겟배터리에 인가하여 측정한 임피던스를 사용한다. 따라서 전체 주파수 구간을 타겟배터리에 인가하여 임피던스를 구하는 종래의 EIS 방법에 비하여 본 실시 예는 배터리 진단에 소요되는 시간을 단축할 수 있다. 본 실시 예에서 주파수 대역이라고 함은 적어도 하나 이상의 주파수를 포함하는 대역을 의미한다. 예를 들어, 주파수 대역은 하나의 주파수값 또는 복수의 주파수값으로 구성될 수 있다. The battery diagnosis apparatus 100 receives impedance information 110 measured by applying a portion of a frequency band to a target battery rather than the entire frequency range used in the conventional EIS. For example, as shown in FIG. 3 , impedance measured by applying only a certain band of frequencies 300 to the target battery in the entire frequency range used by EIS is used. Therefore, compared to the conventional EIS method in which impedance is obtained by applying the entire frequency range to the target battery, the present embodiment can shorten the time required for battery diagnosis. In this embodiment, a frequency band means a band including at least one frequency. For example, a frequency band may consist of one frequency value or a plurality of frequency values.

EIS가 전체 주파수 구간에 대하여 측정한 임피던스를 사용하는 것은 일부의 주파수 대역에서 측정한 임피던스정보만으로는 타겟배터리의 정확한 상태를 파악할 수 없기 때문이다. 이에 본 실시 예는 전체 주파수 구간 중에서 임의의 위치의 주파수를 사용하는 것이 아니라 타겟배터리의 특징을 잘 반영할 수 있는 특징주파수 대역을 제시한다. 본 실시 예에서 임피던스 측정에 사용되는 특징주파수 대역을 설정하는 방법에 대해서는 도 4에서 다시 살펴본다. The reason EIS uses the impedance measured for the entire frequency range is that it is not possible to determine the exact state of the target battery only with impedance information measured in some frequency bands. Therefore, this embodiment suggests a characteristic frequency band that can well reflect the characteristics of the target battery rather than using a frequency at an arbitrary position among the entire frequency range. A method of setting a characteristic frequency band used for impedance measurement in this embodiment will be reviewed again with reference to FIG. 4 .

일 실시 예로, 배터리진단장치(100)는 적어도 하나 이상의 주파수 대역(112)에 대한 임피던스정보(110)를 입력받으면 배터리진단을 위한 배터리 등가회로(120)를 출력할 수 있다. 배터리 임피던스정보(110)를 기반으로 배터리 등가회로(120)를 생성하는 방법으로 인공지능모델을 이용할 수 있으며 이에 대한 예가 도 2에 도시되어 있다. As an embodiment, the battery diagnosis apparatus 100 may output the battery equivalent circuit 120 for battery diagnosis upon receiving impedance information 110 for at least one frequency band 112 . An artificial intelligence model can be used as a method of generating the battery equivalent circuit 120 based on the battery impedance information 110, and an example thereof is shown in FIG.

다른 실시 예로, 배터리진단장치(100)는 배터리 등가회로(120)가 생성되면 그 배터리 등가회로(120)를 통해 전체 주파수 구간에 대한 배터리 임피던스 정보 등 다양한 물리적특징정보를 분석하여 타겟배터리의 상태정보(122)(불량여부 또는 불량원인 등)를 출력할 수 있다. 배터리 등가회로(120)를 기반으로 배터리 상태정보(122)를 출력하는 방법에 대해서는 도 2에서 다시 살펴본다.As another embodiment, when the battery equivalent circuit 120 is generated, the battery diagnosis apparatus 100 analyzes various physical characteristic information such as battery impedance information for the entire frequency range through the battery equivalent circuit 120 to obtain state information of the target battery. (122) (whether it is defective or the cause of the defect, etc.) can be output. A method of outputting the battery state information 122 based on the battery equivalent circuit 120 will be reviewed again in FIG. 2 .

도 2는 본 발명의 실시 예에 따른 배터리진단의 전반적인 과정을 도시한 도면이다.2 is a diagram illustrating an overall process of battery diagnosis according to an embodiment of the present invention.

도 2를 참조하면, 배터리진단장치(100)는 제1 모델(200)과 제2 모델(210)을 포함한다. Referring to FIG. 2 , the battery diagnosis apparatus 100 includes a first model 200 and a second model 210 .

제1 모델(200)은 인공지능모델로서, 적어도 하나 이상의 주파수 대역(112)에 대한 임피던스정보(110)를 입력받으면 등가회로를 출력하는 모델이다. 제1 모델(200)이 생성하여 출력하는 등가회로를 이하에서는 '예측등가회로'(120)라고 명명한다. 제1 모델(200)은 CNN(Convolutional Neural Network), ANN(Artificial Neural Network) 등 종래의 다양한 인공신경망을 통해 구현될 수 있다. 제1 모델을 학습데이터로 훈련시켜 생성하는 방법에 대해서는 도 6에서 다시 살펴본다. 본 실시 예에서는 제1 모델(200)이 학습을 완료하여 생성된 경우를 가정하여 설명한다.The first model 200 is an artificial intelligence model, and outputs an equivalent circuit when impedance information 110 for at least one or more frequency bands 112 is input. An equivalent circuit generated and output by the first model 200 is hereinafter referred to as a 'prediction equivalent circuit' 120 . The first model 200 may be implemented through various conventional artificial neural networks such as a Convolutional Neural Network (CNN) and an Artificial Neural Network (ANN). A method of generating the first model by training it with learning data will be reviewed again in FIG. 6 . In this embodiment, it is assumed that the first model 200 is created after completing learning.

제2 모델(210)은 인공지능모델이거나 함수로 정의된 모델일 수 있다. 일 실시 예로, 제2 모델(210)은 예측등가회로(120) 또는 예측등가회로(120)를 통해 파악한 배터리 임피던스(예를 들어, 도 3의 전체 주파수 구간(300+310)의 임피던스정보 등) 등을 포함하는 물리적특징정보를 입력받으면 배터리 상태정보(122)(예를 들어, 배터리 불량여부, 불량원인, SOC(State of Charge), SOH(State of Heath) 등)를 출력하는 인공지능모델이거나 함수 모델일 수 있다. 예를 들어, 제2 모델(210)은 CNN이나 ANN 등 종래의 다양한 인공신경망으로 구현되거나, 시그모이드 함수, 쌍곡 탄젠트 함수, ReLU 함수 등으로 구현될 수 있다. 제2 모델을 학습데이터로 훈련시켜 생성하는 방법에 대해서는 도 6에서 다시 살펴본다.The second model 210 may be an artificial intelligence model or a model defined as a function. As an example, the second model 210 uses the predicted equivalent circuit 120 or the battery impedance determined through the predicted equivalent circuit 120 (eg, impedance information of the entire frequency range 300+310 of FIG. 3 ). It is an artificial intelligence model that outputs battery status information 122 (for example, whether the battery is defective, the cause of the defect, SOC (State of Charge), SOH (State of Heath), etc.) It can be a functional model. For example, the second model 210 may be implemented with various conventional artificial neural networks such as CNN or ANN, or may be implemented with a sigmoid function, a hyperbolic tangent function, or a ReLU function. A method of generating the second model by training it with learning data will be reviewed again in FIG. 6 .

제1 모델(200)에 입력하는 적어도 하나 이상의 주파수 대역(112)은 미리 정의되어 있다. 예를 들어, 도 3 및 도 4와 같이 제1 모델(200)에서 사용하는 주파수 대역은 EIS의 전체 주파수 구간이 아닌 일부의 주파수 대역(도 3의 300)이다. 배터리진단장치(100)는 미리 정의된 주파수 대역(112)과 그 주파수 대역(112)을 배터리에 인가하여 측정한 배터리 임피던스정보(110)를 제1 모델(200)에 입력한다. 제1 모델(200)에 입력하는 적어도 하나 이상의 주파수 대역(112)를 정의하는 방법에 대해서는 도 4에서 다시 살펴본다. At least one frequency band 112 input to the first model 200 is predefined. For example, as shown in FIGS. 3 and 4 , the frequency band used in the first model 200 is a part of the frequency band (300 in FIG. 3 ) rather than the entire frequency range of the EIS. The battery diagnosis apparatus 100 inputs a predefined frequency band 112 and battery impedance information 110 measured by applying the frequency band 112 to the battery to the first model 200 . A method of defining at least one frequency band 112 input to the first model 200 will be reviewed again in FIG. 4 .

배터리진단장치(100)는 제1 모델(200)을 이용하여 생성한 타겟배터리의 예측등가회로(120) 또는 예측등가회로(120)를 이용하여 파악한 배터리 임피던스정보 등의 물리적특징정보를 제2 모델(210)에 입력하여 배터리 상태정보(122)를 파악한다.The battery diagnosis apparatus 100 converts the predicted equivalent circuit 120 of the target battery generated using the first model 200 or physical characteristic information such as battery impedance information determined using the predicted equivalent circuit 120 into the second model. Input to (210) to grasp the battery state information (122).

도 3은 본 발명의 실시 예에 따른 배터리진단장치에서 사용하는 주파수 대역의 일 예를 도시한 도면이다.3 is a diagram showing an example of a frequency band used in a battery diagnostic device according to an embodiment of the present invention.

도 3을 참조하면, 배터리진단장치(100)는 종래 EIS에서 사용하는 전체 주파수 구간이 아닌 일부의 주파수 대역(300)만을 사용한다. 예를 들어, 종래 EIS에서 배터리 임피던스 측정에 사용하는 전체 주파수 구간이 0.1~1000Hz 구간인 경우에, 본 실시 예는 일부의 주파수 대역(300)에 대해서만 임피던스를 측정하고, 나머지 주파수 대역(310)에 대서는 임피던스를 측정하지 않으므로 배터리 진단에 소요되는 시간을 단축할 수 있다.Referring to FIG. 3 , the battery diagnosis apparatus 100 uses only a part of the frequency band 300 instead of the entire frequency range used in the conventional EIS. For example, in the case where the entire frequency range used for battery impedance measurement in the conventional EIS ranges from 0.1 to 1000 Hz, the present embodiment measures the impedance only for a part of the frequency band 300 and measures the impedance for the remaining frequency band 310. The battery does not measure impedance, so the time required for battery diagnosis can be shortened.

도 4는 본 발명의 실시 예에 따른 배터리진단에 사용되는 주파수 대역을 정의하는 방법의 일 예를 도시한 도면이다.4 is a diagram illustrating an example of a method of defining a frequency band used for battery diagnosis according to an embodiment of the present invention.

도 4를 참조하면, 저주파부터 고주파까지의 주파수를 일정 간격으로 배터리에 인가하여 측정한 임피던스값의 분포를 복소평면에 곡선으로 나타낸 그래프(400)이다. x축은 실수축이고 y축은 허수축이다. 본 실시 예의 임피던스 분포 그래프(400)는 EIS 등 종래의 다양한 배터리 임피던스 측정 방법을 이용하여 측정한 임피던스값의 분포를 연결하여 구할 수 있다. 본 실시 예의 그래프(400)는 이해를 돕기 위한 하나의 예일 뿐 배터리의 종류에 따라 임피던스 분포 그래프(400)의 모양은 다양할 수 있다. Referring to FIG. 4 , it is a graph 400 in which a distribution of impedance values measured by applying frequencies from a low frequency to a high frequency to a battery at regular intervals is represented by a curve on a complex plane. The x-axis is the real axis and the y-axis is the imaginary axis. The impedance distribution graph 400 of the present embodiment can be obtained by connecting distributions of impedance values measured using various conventional battery impedance measurement methods such as EIS. The shape of the impedance distribution graph 400 may vary according to the type of battery.

복소평면에 나타나는 임피던스 분포 그래프(400)는 적어도 하나 이상의 반원 형태와 오믹 저항(ohmic resistance) 형태를 포함할 수 있다. 본 실시 예는 임피던스 분포에서 반원 형태의 최대값 영역(420) 및/또는 최소값 영역(410), 및/또는 오믹 저항 영역의 최대값 영역 및/또는 최소값 영역(430)에 존재하는 적어도 하나 이상의 임피던스값을 특징임피던스성분으로 추출할 수 있다. 예를 들어, 오믹저항영역의 최소지점, 반원형태의 최대지점 및 최소지점에 해당하는 3개의 임피던스값 또는 각 지점을 기준으로 좌우의 일정 범위를 포함하는 복수 개의 임피던스값을 특징임피던스성분으로 추출할 수 있다. The impedance distribution graph 400 appearing on the complex plane may include at least one semicircular shape and an ohmic resistance shape. In this embodiment, at least one or more impedances existing in the maximum value region 420 and/or minimum value region 410 and/or the maximum value region and/or minimum value region 430 of the ohmic resistance region in a semicircular shape in the impedance distribution. The value can be extracted as a characteristic impedance component. For example, three impedance values corresponding to the minimum point of the ohmic resistance region, the maximum point and the minimum point of the semicircular shape, or a plurality of impedance values including a certain range on the left and right of each point can be extracted as the characteristic impedance component. can

임피던스 분포 그래프(400)는 각 주파수에서 측정한 임피던스값을 복수평면에 나타낸 그래프이므로, 배터리진단장치(100)는 임피던스 분포 그래프(400)에서 특징임피던스성분에 해당하는 주파수 대역을 특징주파수성분으로 추출할 수 있다. 배터리진단장치(100)는 특징임피던스성분에 해당하는 특징주파수성분을 배터리진단장(100)에서 사용하는 적어도 하나 이상의 주파수 대역으로 결정할 수 있다. 예를 들어, 배터리진단장치(100)는 반원 형태의 최대값 영역(420) 및 최소값 영역(410), 오믹저항의 최소값 영역(430)에 해당하는 복수의 주파수를 제1 모델(200)에 입력하는 적어도 하나 이상의 주파수 대역(112)으로 결정할 수 있다. 본 실시 예에서 특징임피더스성분을 추출하는 영역(410,420,430)은 이해를 돕기 위한 하나의 예일 뿐 실시 예에 따라 다양하게 변형될 수 있다. 예를 들어, 배터리진단장치(100)는 임피던스 분포 그래프(400)에서 기울기가 갑자기 변화하는 지점이나 최대값 또는 최소값 지점 등을 그래프 분석 알고리즘을 통해 자동으로 추출하여, 특징주파수성분을 결정할 수 있다. Since the impedance distribution graph 400 is a graph showing impedance values measured at each frequency on multiple planes, the battery diagnosis device 100 extracts a frequency band corresponding to a characteristic impedance component from the impedance distribution graph 400 as a characteristic frequency component. can do. The battery diagnosis apparatus 100 may determine a characteristic frequency component corresponding to a characteristic impedance component as at least one or more frequency bands used by the battery diagnosis apparatus 100 . For example, the battery diagnosis apparatus 100 inputs a plurality of frequencies corresponding to the semicircular maximum value area 420 and minimum value area 410 and the minimum ohmic resistance area 430 to the first model 200. It can be determined as at least one or more frequency bands (112). In this embodiment, the areas 410 , 420 , and 430 for extracting the feature impedance component are only examples for easy understanding and may be modified in various ways according to the embodiment. For example, the battery diagnosis apparatus 100 may automatically extract a point where the slope of the impedance distribution graph 400 suddenly changes or a point where the slope of the maximum or minimum value is automatically extracted through a graph analysis algorithm to determine a characteristic frequency component.

다른 실시 예로, 특징임피던스성분과 특징주파수성분을 결정하기 위하여 여러 번의 임피던스 분포 그래프(400)를 구할 수 있다. 예를 들어, 동일 배터리에 대하여 여러 번의 임피던스 분포를 구하거나, 동일 종류의 서로 다른 배터리에 대하여 여러 번의 임피던스 분포를 구할 수 있다. 이때 각각의 임피던스 분포 그래프에서 특징주파수성분의 값은 완벽하게 일치하지 않을 수 있다. 이 경우에 배터리진단장치(100)는 통계적 방법을 통해 특징주파수성분의 값을 결정할 수 있다. 예를 들어, 배터리진단장치(100)는 복수의 임피던스 분포에서 각각 구한 복수의 특징임피던스성분에 해당하는 특징주파수성분의 정규 분포를 구한다. 배터리진단장치(100)는 정규 분포를 기준으로 (μ-2σ < 주파수 < μ+ 2σ)을 만족하는 주파수를 특징주파수성분으로 결정할 수 있다.As another embodiment, the impedance distribution graph 400 may be obtained several times to determine the characteristic impedance component and the characteristic frequency component. For example, impedance distributions may be obtained several times for the same battery or impedance distributions may be obtained several times for different batteries of the same type. At this time, the value of the characteristic frequency component in each impedance distribution graph may not be perfectly matched. In this case, the battery diagnosis apparatus 100 may determine the value of the feature frequency component through a statistical method. For example, the battery diagnosis apparatus 100 obtains a normal distribution of characteristic frequency components corresponding to a plurality of characteristic impedance components respectively obtained from a plurality of impedance distributions. The battery diagnosis apparatus 100 may determine, as a feature frequency component, a frequency that satisfies (μ-2σ < frequency < μ + 2σ) based on a normal distribution.

도 5는 본 발명의 실시 예에 따른 배터리 등가회로의 일 예를 도시한 도면이다.5 is a diagram illustrating an example of a battery equivalent circuit according to an embodiment of the present invention.

도 5를 참조하면, 배터리진단장치(100)는 도 4의 배터리 임피던스 분포를 기반으로 배터리 등가회로를 생성할 수 있다. 이하에서 도 4의 배터리 임피던스 분포로 생성되는 등가회로를 '기본등가회로'라고 명명한다.Referring to FIG. 5 , the battery diagnosis apparatus 100 may generate a battery equivalent circuit based on the battery impedance distribution of FIG. 4 . Hereinafter, an equivalent circuit generated from the battery impedance distribution of FIG. 4 will be referred to as a 'basic equivalent circuit'.

일 실시 예로, 배터리진단장치(100)는 기 정의된 적어도 하나 이상의 등가회로 템플릿을 미리 정의하고 있으며, 임피던스 분포의 개형에 해당하는 등가회로 템플릿을 선택하고, 선택한 등가회로 템플릿의 각 회로요소(예를 들어, 저항, 코일, 축전기, CPE(constant phase element), 와버그(warburg) 확산 요소 등)의 값을 임피던스 분포의 값을 통해 산출하여 기본등가회로를 생성할 수 있다. 이 외에도 배터리진단장치는 Nelder-Mead method, Genetic algorithm, constrained minimization 등 종래의 다양한 방법을 통해 기본등가회로를 생성할 수 있다. 임피던스 분포의 정보로부터 기본등가회로를 구하는 방법 그 자체는 이미 알려진 기술이므로 이에 대한 추가적인 설명은 생략한다.As an embodiment, the battery diagnosis apparatus 100 predefines at least one equivalent circuit template, selects an equivalent circuit template corresponding to an open form of impedance distribution, and selects each circuit element (eg, equivalent circuit template) of the selected equivalent circuit template. For example, a basic equivalent circuit may be generated by calculating values of resistors, coils, capacitors, constant phase elements (CPEs), warburg diffusion elements, etc.) through values of an impedance distribution. In addition to this, the battery diagnosis device may generate a basic equivalent circuit through various conventional methods such as the Nelder-Mead method, genetic algorithm, and constrained minimization. Since the method of obtaining a basic equivalent circuit from the information of the impedance distribution itself is a known technique, an additional description thereof will be omitted.

도 6은 본 발명의 실시 예에 따른 배터리진단에 사용되는 모델의 학습방법의 일 예를 도시한 도면이다.6 is a diagram illustrating an example of a method of learning a model used for battery diagnosis according to an embodiment of the present invention.

도 6을 참조하면, 배터리진단장치(100)는 도 4와 같은 임피던스 분포(600)를 통해 제1 모델(200)의 학습에 사용할 학습데이터(610)를 생성한다. 배터리진단장치(100)는 EIS 등을 통해 측정한 배터리의 임피더스 분포(600)를 입력받으면, 임디던스 분포(600)를 이용하여 도 5에서 설명한 기본등가회로(612)를 생성하고, 또한 도 4에서 설명한 특징임피던스성분(614) 및 특징주파수성분(616)을 추출한다. 배터리진단장치(100)는 특징임피던스성분(614) 및 특징주파수성분(616)을 기본등가회로(612)로 라벨링한 학습데이터를 생성한다. 이하에서는 학습데이터 생성을 위해 임피던스 분포 측정에 사용하는 배터리를 '학습배터리'로 명명한다. 제1 모델(200)은 학습데이터(610)를 입력받아 출력한 예측등가회로와 학습데이터(610)의 기본등가회로(612)를 비교하는 과정을 통해 학습된다. 학습데이터를 이용한 인공지능모델의 학습방법 그 자체는 이미 알려진 구성이므로 이에 대한 추가적인 설명은 생략한다. Referring to FIG. 6 , the battery diagnosis apparatus 100 generates learning data 610 to be used for learning the first model 200 through the impedance distribution 600 shown in FIG. 4 . When the battery diagnosis device 100 receives the impedance distribution 600 of the battery measured through EIS or the like, it generates the basic equivalent circuit 612 described in FIG. 5 using the impedance distribution 600, and also The characteristic impedance component 614 and the characteristic frequency component 616 described in 4 are extracted. The battery diagnosis apparatus 100 generates learning data in which a characteristic impedance component 614 and a characteristic frequency component 616 are labeled as a basic equivalent circuit 612 . Hereinafter, a battery used for impedance distribution measurement to generate learning data is referred to as a 'learning battery'. The first model 200 is learned through a process of comparing a prediction equivalent circuit that receives and outputs the learning data 610 and the basic equivalent circuit 612 of the learning data 610 . Since the learning method of the artificial intelligence model using the learning data itself is a known configuration, further explanation thereof will be omitted.

배터리진단장치(100)는 제2 모델(210)의 학습에 사용할 학습데이터(620)를 제1 모델의 학습데이터(610) 중 일부를 이용하여 생성할 수 있다. 예를 들어, 배터리진단장치(100)는 제1 모델의 학습데이터(610)의 기본등가회로(612)를 통해 배터리의 임피던스(예를 들어, 도 2의 전체 주파수 구간에 대한 임피던스)를 포함하는 물리적특징정보(622)를 파악하고 이를 제2 모델(210)의 학습데이터로 사용한다. 물리적특징정보(622)는 임피던스 외에 회로 분석을 통해 파악할 수 있는 다양한 물리량을 포함할 수 있다. 배터리진단장치(100)는 물리적특징정보(622)를 학습배터리의 상태정보(624)(예를 들어, 불량여부, 불량원인, SOC, SOH 등)로 라벨링하여 제2 모델을 위한 학습데이터(620)를 생성한다. 제2 모델(210)은 학습데이터(620)를 입력받아 출력한 배터리 상태정보와 제2 모델의 학습데이터(620)에 존재하는 배터리 상태정보(624)를 비교하는 과정을 통해 학습된다. The battery diagnosis apparatus 100 may generate learning data 620 to be used for learning the second model 210 by using some of the learning data 610 of the first model. For example, the battery diagnosis apparatus 100 includes the impedance of the battery (eg, the impedance for the entire frequency range of FIG. 2) through the basic equivalent circuit 612 of the learning data 610 of the first model. The physical feature information 622 is grasped and used as learning data of the second model 210 . The physical feature information 622 may include various physical quantities that can be grasped through circuit analysis in addition to impedance. The battery diagnosis apparatus 100 labels the physical characteristic information 622 as the state information 624 of the learning battery (eg, whether or not it is defective, the cause of the defect, SOC, SOH, etc.) and learning data 620 for the second model. ) to create The second model 210 is learned through a process of comparing battery state information 624 that is present in the learning data 620 of the second model with battery state information output by receiving the learning data 620 .

도 7은 본 발명의 실시 예에 따른 배터리진단방법의 일 예를 도시한 흐름도이다.7 is a flowchart illustrating an example of a method for diagnosing a battery according to an embodiment of the present invention.

도 7을 참조하면, 배터리진단장치(100)는 제1 모델 및 제2 모델을 생성한다(S700). 제1 모델은 적어도 하나 이상의 주파수 대역과 각 주파수 대역에 맵핑되는 학습배터리의 특징임피던스성분을 학습배터리의 기본등가회로로 라벨링한 학습데이터를 이용하여 훈련시킨 모델이다. Referring to FIG. 7 , the battery diagnosis apparatus 100 generates a first model and a second model (S700). The first model is a model trained using at least one frequency band and learning data in which a characteristic impedance component of the learning battery mapped to each frequency band is labeled as a basic equivalent circuit of the learning battery.

제2 모델은 학습배터리의 기본등가회로를 분석하여 파악한 물리적특징정보를 학습배터리의 상태정보로 라벨링한 학습데이터를 이용하여 훈련시킨 모델이다. 제1 모델 및 제2 모델을 생성하는 방법의 일 예가 도 6에 도시되어 있다. 다른 실시 예로, 제1 모델 및 제2 모델이 다양한 방법을 통해 미리 생성되어 있다면, 제1 모델 또는 제2 모델을 생성하는 과정은 생략될 수 있다. The second model is a model trained using learning data in which physical feature information obtained by analyzing the basic equivalent circuit of the learning battery is labeled as state information of the learning battery. An example of a method for generating the first model and the second model is shown in FIG. 6 . As another embodiment, if the first model and the second model are previously generated through various methods, the process of generating the first model or the second model may be omitted.

배터리진단장치(100)는 기 정의된 적어도 하나 이상의 주파수 대역을 타겟배터리에 인가하여 측정한 타겟임피던스성분을 입력받는다(S710). 적어도 하나 이상의 주파수 대역은, 전체 구간의 주파수를 학습배터리에 인가하여 측정한 임피던스분포의 곡선에서 반원 형태의 극대점 영역이나 극소점 영역, 또는 오믹 저항 영역의 특징임피던스성분에 해당하는 주파수이다. 타겟배터리의 임피던스 측정에 사용되는 주파수 대역을 정의하는 방법의 일 예가 도 4에 도시되어 있다. 일 실시 예로, 타겟배터리의 임피던스 측정에 사용되는 주파수 대역은 도 4의 특징주파수성분과 동일하거나, 특징주파수성분을 포함하는 일정 구간의 주파수일 수 있다. 예를 들어, 특징주파수성분이 A Hz인 경우에, 타겟배터리의 임피던스 측정에 사용되는 주파수 대역은 A Hz이거나 또는 (A-a) ~ (A+a) 사이의 적어도 하나 이상의 주파수를 포함할 수 있다. The battery diagnosis apparatus 100 receives a target impedance component measured by applying at least one predefined frequency band to the target battery (S710). At least one frequency band is a frequency corresponding to a characteristic impedance component of a semi-circular maximum point region or minimum point region or an ohmic resistance region in the curve of the impedance distribution measured by applying the frequency of the entire section to the learning battery. An example of a method of defining a frequency band used for measuring the impedance of a target battery is shown in FIG. 4 . As an embodiment, the frequency band used to measure the impedance of the target battery may be the same as the characteristic frequency component of FIG. 4 or a frequency of a certain section including the characteristic frequency component. For example, when the characteristic frequency component is A Hz, the frequency band used to measure the impedance of the target battery may be A Hz or include at least one frequency between (A-a) and (A + a).

배터리진단장치(100)는 타겟임피던스성분을 제1 모델에 입력하여 배터리 진단에 사용할 타겟배터리의 예측등가회로를 생성한다(S720). 제1 모델을 통해 예측등가회로를 생성하는 예가 도 2에 도시되어 있다. The battery diagnosis apparatus 100 generates a predicted equivalent circuit of the target battery to be used for battery diagnosis by inputting the target impedance component into the first model (S720). An example of generating a predicted equivalent circuit through the first model is shown in FIG. 2 .

배터리진단장치(100)는 예측등가회로를 분석하여 타겟배터리의 상태를 파악할 수 있다(S730). 일 실시 예로, 배터리진단장치(100)는 예측등가회로를 분석하여 파악한 물리적특징정보를 제2 모델에 입력하여 타겟배터리의 상태를 파악할 수 있다. 물리적특성정보는 배터리 임피던스정보를 포함하고, 상태정보는 배터리의 불량 유무 및/또는 불량 원인을 포함할 수 있다.The battery diagnosis apparatus 100 may determine the state of the target battery by analyzing the predicted equivalent circuit (S730). As an embodiment, the battery diagnosis apparatus 100 may determine the state of the target battery by inputting the physical characteristic information determined by analyzing the predicted equivalent circuit to the second model. The physical characteristic information may include battery impedance information, and the state information may include whether or not the battery is defective and/or the cause of the defect.

도 8은 본 발명의 실시 예에 따른 배터리진단장치의 일 예의 구성을 도시한 도면이다.8 is a diagram illustrating an example configuration of a battery diagnosis device according to an embodiment of the present invention.

도 8을 참조하면, 배터리진단장치(100)는 입력부(800), 등가회로생성부(810), 진단부(820), 제1 모델(830), 제2 모델(840), 제1 모델생성부(850) 및 제2 모델생성부(860)를 포함한다. 제1 모델(830) 및 제2 모델(840)이 미리 생성되어 있다면 제1 모델생성부(850) 및 제2 모델생성부(860)는 생략될 수 있다. 일 실시 예로, 배터리진단장치(100)는 메모리, 프로세서, 입출력장치 등을 포함하는 컴퓨팅 장치로 구현될 수 있으며, 이 경우 각 구성은 소프트웨어로 구현되어 메모리에 탑재된 후 프로세서에 의해 수행될 수 있다.Referring to FIG. 8 , the battery diagnosis apparatus 100 includes an input unit 800, an equivalent circuit generator 810, a diagnosis unit 820, a first model 830, a second model 840, and a first model generator. A unit 850 and a second model generator 860 are included. If the first model 830 and the second model 840 are generated in advance, the first model generator 850 and the second model generator 860 may be omitted. As an example, the battery diagnosis device 100 may be implemented as a computing device including a memory, processor, input/output device, etc. In this case, each component may be implemented as software, loaded into a memory, and then executed by a processor. .

제1 모델생성부(850)는 적어도 하나 이상의 주파수 대역과 각 주파수 대역의 배터리 임피던스성분을 입력받으면 예측등가회로를 출력하는 제1 모델(830)을 생성한다. 일 실시 예로, 제1 모델생성부(850)는 일정 구간의 주파수에 대한 학습배터리의 임피던스분포를 입력받고, 임피던스분포로부터 학습배터리의 기본등가회로를 생성하고, 임피던스분포에서 기 정의된 적어도 하나 이상의 특징임피던스영역에 해당하는 특징주파수성분과 특징임피던스성분을 파악하고, 특징주파수성분 및 특징임피던스성분을 상기 기본등가회로로 라벨링한 학습데이터를 생성하고, 그 학습데이터를 이용하여 제1 모델(830)을 훈련시킬 수 있다. The first model generator 850 generates a first model 830 that outputs a prediction equivalent circuit when at least one frequency band and a battery impedance component of each frequency band are received. As an embodiment, the first model generator 850 receives the impedance distribution of the learning battery for a frequency of a certain section, generates a basic equivalent circuit of the learning battery from the impedance distribution, and at least one or more predefined in the impedance distribution. Characteristic frequency components and characteristic impedance components corresponding to the characteristic impedance region are identified, and learning data in which the characteristic frequency components and characteristic impedance components are labeled as the basic equivalent circuit is generated, and a first model 830 is formed using the learning data. can be trained.

제2 모델생성부(860)는 물리적특징정보를 입력받으면 배터리상태를 출력하는 제2 모델(840)을 생성한다. 일 실시 예로, 제2 모델생성부(860)는 기본등가회로를 분석하여 파악한 물리적특징정보를 학습배터리의 배터리상태로 라벨링한 학습데이터를 이용하여 제2 모델(840)을 훈련시켜 생성한다.The second model generating unit 860 generates a second model 840 outputting a battery state when receiving physical feature information. As an example, the second model generating unit 860 trains and generates the second model 840 using learning data in which physical feature information obtained by analyzing the basic equivalent circuit is labeled as a battery state of the learning battery.

입력부(800)는 적어도 하나 이상의 주파수 대역을 타겟배터리에 인가하여 측정한 타겟임피던스성분을 입력받는다. 여기서 주파수 대역은 제1 모델의 훈련시에 사용한 학습데이터의 특징주파수성분에 해당한다. The input unit 800 receives a target impedance component measured by applying at least one frequency band to the target battery. Here, the frequency band corresponds to a feature frequency component of learning data used in training the first model.

등가회로생성부(810)는 타겟임피던스성분을 제1 모델(830)에 입력하여 배터리 진단에 사용할 타겟배터리의 예측등가회로를 생성한다.The equivalent circuit generator 810 inputs the target impedance component to the first model 830 to generate a predicted equivalent circuit of the target battery to be used for battery diagnosis.

진단부(820)는 예측등가회로를 분석하여 파악한 물리적특징정보를 제2 모델(840)에 입력하여 타겟배터리의 배터리상태를 파악한다. The diagnosis unit 820 determines the battery state of the target battery by inputting the physical feature information determined by analyzing the predicted equivalent circuit to the second model 840 .

본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.The present invention can also be implemented as computer readable program codes on a computer readable recording medium. A computer-readable recording medium includes all types of recording devices in which data that can be read by a computer system is stored. Examples of computer-readable recording media include ROM, RAM, CD-ROM, magnetic tape, floppy disk, and optical data storage devices. In addition, the computer-readable recording medium may be distributed to computer systems connected through a network to store and execute computer-readable codes in a distributed manner.

이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.So far, the present invention has been looked at mainly with its preferred embodiments. Those skilled in the art to which the present invention pertains will be able to understand that the present invention can be implemented in a modified form without departing from the essential characteristics of the present invention. Therefore, the disclosed embodiments should be considered from a descriptive point of view rather than a limiting point of view. The scope of the present invention is shown in the claims rather than the foregoing description, and all differences within the equivalent scope will be construed as being included in the present invention.

Claims (12)

기 정의된 전체 주파수 구간 중 일부 주파수 대역의 주파수를 배터리에 인가하여 측정한 배터리 임피던스 정보를 입력받으면 등가회로를 출력하는 제1 모델을 학습데이터를 이용하여 훈련시키는 단계;
상기 일부 주파수 대역의 주파수를 타겟배터리에 인가하여 측정한 타겟임피던스성분을 입력받는 단계; 및
상기 타겟임피던스성분을 훈련된 상기 제1 모델에 입력하여 배터리 진단에 사용할 상기 타겟배터리의 예측등가회로를 생성하는 단계;를 포함하고,
상기 학습데이터는 상기 일부 주파수 대역의 주파수에 대한 학습배터리의 특징임피던스성분을 상기 학습배터리의 기본등가회로로 라벨링한 데이터를 포함하고,
상기 학습데이터의 기본등가회로는 상기 전체 주파수 구간의 주파수를 상기 학습배터리에 인가하여 측정한 임피던스를 기반으로 생성되고,
상기 제1 모델은 인공신경망으로 구현된 인공지능모델인 것을 특징으로 하는 배터리진단방법.training a first model that outputs an equivalent circuit when receiving battery impedance information measured by applying frequencies of some frequency bands among the entire predefined frequency range to the battery, using learning data;
receiving a target impedance component measured by applying a frequency of the partial frequency band to a target battery; and
Generating a predicted equivalent circuit of the target battery to be used for battery diagnosis by inputting the target impedance component into the trained first model;
The learning data includes data obtained by labeling a characteristic impedance component of the learning battery for a frequency of the partial frequency band as a basic equivalent circuit of the learning battery,
The basic equivalent circuit of the learning data is generated based on the impedance measured by applying the frequency of the entire frequency range to the learning battery,
The battery diagnosis method, characterized in that the first model is an artificial intelligence model implemented as an artificial neural network. 제 1항에 있어서,
상기 일부 주파수 대역은, 전체 구간의 주파수를 상기 학습배터리에 인가하여 측정한 임피던스분포의 곡선에서 반원 형태의 극대점 영역이나 극소점 영역, 또는 오믹 저항 영역에 해당하는 주파수를 포함하는 대역인 것을 특징으로 하는 배터리진단방법.According to claim 1,
The partial frequency band is a band including a frequency corresponding to a semicircular maximum point area, minimum point area, or ohmic resistance area in the curve of the impedance distribution measured by applying the frequency of the entire section to the learning battery. battery diagnosis method. 제 1항에 있어서,
상기 학습데이터를 생성하는 단계;를 더 포함하고,
상기 학습데이터를 생성하는 단계는,
전체 구간의 주파수에 대한 학습배터리의 임피던스 분포를 입력받는 단계;
상기 임피던스 분포로부터 상기 학습배터리의 기본등가회로를 생성하는 단계;
상기 임피던스 분포에서 기 정의된 적어도 하나 이상의 특징임피던스영역에 해당하는 특징임피던스성분 및 특징주파수성분을 파악하는 단계; 및
상기 특징임피던스성분 및 상기 특징주파수성분을 상기 기본등가회로로 라벨링하는 단계;를 포함하는 것을 특징으로 하는 배터리진단방법.According to claim 1,
Generating the learning data; further comprising,
The step of generating the learning data,
Receiving the impedance distribution of the learning battery for the frequency of the entire section;
generating a basic equivalent circuit of the learning battery from the impedance distribution;
identifying a characteristic impedance component and a characteristic frequency component corresponding to at least one predefined characteristic impedance region in the impedance distribution; and
and labeling the characteristic impedance component and the characteristic frequency component as the basic equivalent circuit. 제 1항에 있어서,
상기 예측등가회로를 분석하여 상기 타겟배터리의 상태를 파악하는 단계;를 더 포함하는 것을 특징으로 하는 배터리진단방법.According to claim 1,
The method for diagnosing a battery further comprising: analyzing the prediction equivalent circuit to determine the state of the target battery. 제 4항에 있어서, 상기 타겟배터리의 상태를 파악하는 단계는,
상기 기본등가회로를 분석하여 파악한 물리적특징정보를 상기 학습배터리의 상태정보로 라벨링한 학습데이터를 이용하여 제2 모델을 훈련시키는 단계; 및
상기 예측등가회로를 분석하여 파악한 물리적특징정보를 훈련된 상기 제2 모델에 입력하여 상기 타겟배터리의 상태를 파악하는 단계;를 포함하고,
상기 물리적특징정보는 배터리 임피던스정보를 포함하고,
상기 상태정보는 배터리의 불량 유무 및/또는 불량 원인을 포함하고,
상기 제2 모델은 물리적특징정보를 입력받으면 배터리의 상태정보를 출력하는 인공신경망으로 구현된 인공지능모델인 것을 특징으로 하는 배터리진단방법.The method of claim 4, wherein the step of determining the state of the target battery,
training a second model using learning data obtained by labeling physical feature information obtained by analyzing the basic equivalent circuit as state information of the learning battery; and
Including; identifying the state of the target battery by inputting the physical feature information obtained by analyzing the predicted equivalent circuit to the trained second model;
The physical characteristic information includes battery impedance information,
The status information includes whether or not the battery is defective and / or the cause of the defect,
The second model is an artificial intelligence model implemented with an artificial neural network that outputs state information of the battery when physical feature information is input. 삭제delete 기 정의된 전체 주파수 구간 중 일부 주파수 대역의 주파수를 배터리에 인가하여 측정한 배터리 임피던스 정보를 입력받으면 등가회로를 출력하는 제1 모델;
상기 일부 주파수 대역의 주파수에 대한 학습배터리의 특징임피던스성분을 기본등가회로로 라벨링한 학습데이터를 이용하여 상기 제1 모델을 훈련시키는 제1 모델생성부;
상기 일부 주파수 대역의 주파수를 타겟배터리에 인가하여 측정한 타겟임피던스성분을 입력받는 입력부; 및
상기 타겟임피던스성분을 훈련된 상기 제1 모델에 입력하여 배터리 진단에 사용할 상기 타겟배터리의 예측등가회로를 생성하는 등가회로생성부;를 포함하고,
상기 학습배터리의 기본등가회로는 상기 전체 주파수 구간의 주파수를 상기 학습배터리에 인가하여 측정한 임피던스를 기반으로 생성되고,
상기 제1 모델은 인공신경망으로 구현된 인공지능모델인 것을 특징으로 하는 배터리진단장치.A first model that outputs an equivalent circuit when receiving battery impedance information measured by applying a frequency of a partial frequency band among a predefined entire frequency range to the battery;
a first model generator for training the first model using learning data obtained by labeling characteristic impedance components of the learning battery for frequencies of the partial frequency bands as basic equivalent circuits;
an input unit for receiving a target impedance component measured by applying a frequency of the partial frequency band to the target battery; and
An equivalent circuit generation unit inputting the target impedance component into the trained first model and generating a prediction equivalent circuit of the target battery to be used for battery diagnosis;
The basic equivalent circuit of the learning battery is generated based on the impedance measured by applying the frequency of the entire frequency range to the learning battery,
The battery diagnosis device, characterized in that the first model is an artificial intelligence model implemented as an artificial neural network. 삭제delete 제 7항에 있어서, 상기 제1 모델생성부는,
전체 구간의 주파수에 대한 학습배터리의 임피던스분포를 입력받고, 상기 임피던스분포로부터 상기 학습배터리의 기본등가회로를 생성하고, 상기 임피던스분포에서 기 정의된 적어도 하나 이상의 특징임피던스영역에 해당하는 특징주파수성분을 파악하고, 상기 특징임피던스성분 및 상기 특징주파수성분을 상기 기본등가회로로 라벨링한 학습데이터를 생성하는 것을 특징으로 하는 배터리진단장치.The method of claim 7, wherein the first model generator,
The impedance distribution of the learning battery for the frequency of the entire section is received, a basic equivalent circuit of the learning battery is generated from the impedance distribution, and a characteristic frequency component corresponding to at least one or more predefined characteristic impedance regions in the impedance distribution is obtained. and generating learning data in which the characteristic impedance component and the characteristic frequency component are labeled as the basic equivalent circuit. 제 7항에 있어서,
임피던스정보를 포함하는 물리적특징정보를 입력받으면 배터리의 불량 유무 및/또는 불량 원인을 포함하는 배터리상태를 출력하는 제2 모델; 및
상기 예측등가회로를 분석하여 파악한 물리적특징정보를 상기 제2 모델에 입력하여 상기 타겟배터리의 배터리상태를 파악하는 진단부;를 더 포함하고,
상기 제2 모델은 인공신경망으로 구현된 인공지능모델인 것을 특징으로 하는 배터리진단장치.According to claim 7,
A second model that outputs a battery condition including whether or not the battery is defective and/or a cause of the defect when receiving physical characteristic information including impedance information; and
A diagnosis unit configured to determine the battery state of the target battery by inputting the physical characteristic information determined by analyzing the predicted equivalent circuit to the second model;
The second model is an artificial intelligence model implemented as an artificial neural network. 제 10항에 있어서,
상기 기본등가회로를 분석하여 파악한 물리적특징정보를 상기 학습배터리의 배터리상태로 라벨링한 학습데이터를 이용하여 상기 제2 모델을 훈련시키는 제2 모델생성부;를 더 포함하는 것을 특징으로 하는 배터리진단장치.According to claim 10,
and a second model generator for training the second model using learning data in which physical feature information obtained by analyzing the basic equivalent circuit is labeled as a battery state of the learning battery. . 제 1항에 기재된 방법을 수행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.A computer-readable recording medium on which a computer program for performing the method according to claim 1 is recorded.
KR1020220102180A 2022-08-16 2022-08-16 Battery diagnosis method and apparatus KR102522683B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220102180A KR102522683B1 (en) 2022-08-16 2022-08-16 Battery diagnosis method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220102180A KR102522683B1 (en) 2022-08-16 2022-08-16 Battery diagnosis method and apparatus

Publications (1)

Publication Number Publication Date
KR102522683B1 true KR102522683B1 (en) 2023-04-20

Family

ID=86143786

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220102180A KR102522683B1 (en) 2022-08-16 2022-08-16 Battery diagnosis method and apparatus

Country Status (1)

Country Link
KR (1) KR102522683B1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101160545B1 (en) * 2011-01-31 2012-06-27 주식회사티움리서치 Apparatus for measuring state of health of rechargeable battery
KR20160062618A (en) * 2014-11-25 2016-06-02 현대자동차주식회사 Device and method for diagnosing of fuel cell
KR20170034191A (en) * 2015-09-18 2017-03-28 충북대학교 산학협력단 Diagnosis Method for State of Health of Lithium Secondary Battery
KR102424916B1 (en) * 2021-10-14 2022-07-22 모나일렉트릭 주식회사 Battery diagnostic method and apparatus

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101160545B1 (en) * 2011-01-31 2012-06-27 주식회사티움리서치 Apparatus for measuring state of health of rechargeable battery
KR20160062618A (en) * 2014-11-25 2016-06-02 현대자동차주식회사 Device and method for diagnosing of fuel cell
KR20170034191A (en) * 2015-09-18 2017-03-28 충북대학교 산학협력단 Diagnosis Method for State of Health of Lithium Secondary Battery
KR102424916B1 (en) * 2021-10-14 2022-07-22 모나일렉트릭 주식회사 Battery diagnostic method and apparatus

Similar Documents

Publication Publication Date Title
CN108985279B (en) Fault diagnosis method and device for MVB waveform of multifunctional vehicle bus
Feng et al. SOH and RUL prediction of Li-ion batteries based on improved Gaussian process regression
CN109143094B (en) Abnormal data detection method and device for power battery
US11879945B2 (en) Battery diagnosis method and battery diagnosis apparatus
CN116453438B (en) Display screen parameter detection method, device, equipment and storage medium
CN114152825B (en) Transformer fault diagnosis method and device and transformer fault diagnosis system
CN107037375B (en) Method and device for measuring direct current internal resistance of battery
KR102648764B1 (en) Battery performance evaluation method and battery performance evaluation device
CN113554526A (en) Fault early warning method and device for power equipment, storage medium and processor
CN117171696B (en) Sensor production monitoring method and system based on Internet of things
Tan et al. Intelligent online health estimation for lithium-ion batteries based on a parallel attention network combining multivariate time series
CN116306806A (en) Fault diagnosis model determining method and device and nonvolatile storage medium
CN114881157A (en) Method, device and equipment for detecting working state of converter valve and storage medium
KR102522683B1 (en) Battery diagnosis method and apparatus
CN111949459B (en) Hard disk failure prediction method and system based on transfer learning and active learning
CN116520068B (en) Diagnostic method, device, equipment and storage medium for electric power data
CN116400244B (en) Abnormality detection method and device for energy storage battery
CN116307269A (en) Photovoltaic power generation power prediction method and device based on artificial intelligence
US20210216876A1 (en) Systems and methods for auto-encoder behavior modelling of vehicle components
KR102574397B1 (en) Battery diagnosis method and apparatus
KR102507489B1 (en) Apparatus and method for diagnosis classification
US11293981B2 (en) Systems and methods for false-positive reduction in power electronic device evaluation
KR102512544B1 (en) Battery equivalent circuit generation method and apparatus
CN114818861A (en) Data processing method and device for phasor measurement device of power system and electronic equipment
CN114236272B (en) Intelligent detection system of electronic product

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant